Lectura, manipulación y análisis de datos en R

Transcripción

1 Lectura, manipulación y análisis de datos en R F. Tusell * Curso Índice 1. Introducción 2 2. Lectura e importación de datos Introducción directa Lectura directa en formatos propios de R Importación de formatos propios de otros programas Conexión a gestores de base de datos Datos fechados Datos simplemente fechados Series temporales regulares (equiespaciadas) Series temporales irregularmente espaciadas Comentarios al Ejemplo Comentarios al Ejemplo Información adicional 17 A. Listado del Ejemplo 1 19 B. Listado del Ejemplo 2 21 C. Datos en tomates.csv (primeras líneas) 23 D. Datos en naosoi.dat (primeras líneas) 23 * Actualización del día 7 de marzo de La última versión de este documento, posiblemente más reciente, puede obtenerse de 1

2 Depto. de Economía Aplicada III 2 1. Introducción Con frecuencia, la manipulación de los datos es igual o más laboriosa que el análisis estadístico subsiguiente. Un uso adecuado de las facilidades de importación, transformación y presentación de datos que ofrece R puede redundar en drásticas reducciones de trabajo, además de favorecer la legibilidad y presentación. El resultado son salidas autoexplicativas en que los errores son de comisión menos probable y de detección más sencilla. Los Anexos A y B hacen uso de los datos en los Anexos C y D para ilustrar el uso de algunas instrucciones. Las Secciones siguientes hasta la Sección 4 introducen algunos conceptos. Las Secciones 4 y 5 comentan los ejemplos en los Anexos. 2. Lectura e importación de datos Lo que sigue es sólo un resumen: para una discusión más detallada véase [13] Introducción directa Si los datos son pocos, podemos teclearlos directamente en un vector o dataframe. Por ejemplo, así: a <- c(1,2,3,4) b <- matrix(a,2,2,byrow=false) La primera instrucción asigna directamente un vector; la segunda, emplea el contenido del mismo para llenar una matriz 2 2 por columnas. En ocasiones, tanto para matrices como para dataframes, será de utilidad la función edit. Una sentencia como d <- edit(b) abre una rudimentaria hoja de cálculo en la que podemos modificar o añadir a la matriz (o dataframe) b los elementos que deseemos, para luego guardar el resultado en d (b y d pueden coincidir, en cuyo caso el contenido previo de b resulta machacado). Hay que destacar que b ha de preexistir. Sus dimensiones, no obstante, pueden modificarse por la función edit al vuelo, añadiendo filas o columnas Lectura directa en formatos propios de R En ocasiones, los datos puede proceder de un programa que proporciona los datos de forma directamente procesable por R, o en un formato que R puede reconocer. Lo primero no es habitual, siendo el programa econométrico Gretl 1 una notable excepción: produce objetos con sufijo.r que pueden directamente leerse en R mediante una instrucción como: obj <- source("objeto.r") 1 Más información acerca de este programa en

3 Depto. de Economía Aplicada III 3 También S-Plus puede producir objetos del mismo tipo: desde S-Plus, la función dput producirá un objeto que puede ser recuperado desde R con la función dget: pero ello no funcionará en todos los casos ni con todas las versiones de ambos programas, por lo que se impone la prueba Importación de formatos propios de otros programas R no es particularmente bueno importando datos generados por otros programas. No obstante, el paquete recomendado foreign lee ficheros en formatos propios de, entre otros, SPSS, SAS, Minitab, Stata, Epi y S. Hay que destacar que los formatos pueden presentar ligeras variaciones de unas versiones a otras (típicamente, las versiones posteriores leen ficheros producidos mediante las precedentes, pero no al revés). Podemos así encontrar que foreign nos permite leer, por ejemplo, worksheets de Minitab de una versión determinada y las anteriores, pero no las posteriores. Se impone por tanto también la prueba. Adicionalmente al paquete citado, 1. Las funciones en el paquete e1071 permite leer datos en formato Octave (un look-alike del más conocido MatLab). 2. La función read.xls en el paquete gdata permite leer hojas de cálculo creadas por Excel en data frames Conexión a gestores de base de datos Los gestores de base de datos son programas que permiten crear y administrar ficheros accediendo a ellos de forma cómoda, ordinariamente a traves de variantes dialectales de SQL. Si tenemos una tabla de nombre CENSO conteniendo las variables NOMBRE, APELLIDOS y EDAD (entre otras), podríamos recuperar todos los casos de edad superior a 45 años así: SELECT NOMBRE,APELLIDOS FROM CENSO WHERE EDAD > 45 ; Sobre SQL puede consultarse [9]; sobre PostgreSQL, [10]. Hay varios paquetes que permiten conectar R a gestores de bases de datos, en la misma o en otra máquina diferente: son RPgSQL (para PostgreSQL), ROracle (para Oracle), RMySQL (para MySQL) y RODBC (para cualquier origen de datos ODBC). Una descripción de algunos de estos paquetes puede encontrarse en [11]. Con varios de los paquetes señalados las bases de datos a las que se conecta R pueden estar en la misma u otra máquina: en este último caso, debemos tener algún modo de conectar (normalmente, sobre protocolos TCP/IP). Con el paquete RODBC el origen de datos puede ser una cualquiera de muchas cosas. En particular, puede ser un fichero local de Microsoft Access, lo que proporciona un modo fácil de importar Access a R. Supongamos que tenemos 2 La pareja de funciones dump y source ofrece una alternativa que puede funcionar cuando dput y dget no lo hacen. 3 Hay que notar que para ellos se necesita Perl instalado en el sistema, lo que es completamente standard en Unix/Linux, pero no en Windows. Adicionalmente, hojas en formato.xls creadas por otros programas como Open Office, pueden no ser leidas. Una vez más, se impone la prueba.

4 Depto. de Economía Aplicada III 4 una base de datos llamada Gastos y en ella una tabla de nombre Empleados, que suponemos ubicada en la raíz del disco C: de una máquina Windows. Para importar su contenido a una dataframe de igual nombre, bastaría teclear: library(rodbc) canal1 <- odbcconnectaccess("c:\\gastos") Empleados <- sqlquery(canal1,"select * from Empleados") Nótese que como lenguaje de interrogación se emplea SQL. La facilidad para poblar una dataframe realizando una consulta a una base de datos externa, permite tratar ficheros muy grandes de los que sólo se importan las observaciones/variables que interesan. SQL es además una herramienta excelente para seleccionar casos que verifiquen condiciones complejas de expresar en R. 3. Datos fechados 3.1. Datos simplemente fechados R posee clases específicas de objetos para manejar fechas, y lo hace con gran flexibilidad. Podemos definir una variable como de clase POSIXt o POSIXct (dos standares para la representación de fechas) mediante la instrucción as.date (véase el uso de la misma en el Anexo A). Las fechas pueden ser días (ejemplo: ) o días más tiempos (ejemplo: :56:03) con una resolución de segundos, e incluir una zona horaria. Con objetos de estas clases se pueden hacer algunos cálculos como la diferencia entre dos fechas consecutivas, etc. Véase una descripción en [12]. Además de estas clases de objetos para representar fechas, que son las propias y nativas de R, hay otros paquetes (chron y dates) que ofrecen facilidades análogas. Podemos guardar datos en dataframes una de cuyas columnas contiene fechas de esta clase. Tenemos así datos fechados, pero no de serie temporal Series temporales regulares (equiespaciadas) Es frecuentemente el caso con series mensuales. R puede construir objetos de tipo ts como ilustra el ejemplo en la Sección 5. Para dichos objetos hay métodos específicos Series temporales irregularmente espaciadas En multitud de campos, notablemente en Economía y en Finanzas, las series temporales no son equiespaciadas: hay días laborables y festivos, que introducirían valores NA en una serie equiespaciada. A veces, simplemente, las observaciones se presentan en momentos cualesquiera como las transacciones en un mercado. Hay varias posibilidades para el manejo de este tipo de datos. Diferentes paquetes definen diferentes tipos de series irregulares. Así, tseries (orientado a Finanzas) define series de la clase irts. Los paquetes fbasics y fseries también orientados a Finanzas definen objetos de clase timedate y timeseries. El paquete its define objetos de clase its. El paquete zoo, por su parte, define aún otra clase de objetos para representar objetos indexados.

5 Depto. de Economía Aplicada III 5 4. Comentarios al Ejemplo 1. Comentamos a continuación algunas de las órdenes que aparecen en el ejemplo extenso del Apéndice A. Los números de línea hacen referencia a dicho Apéndice, en que las instrucciones comentadas pueden verse en contexto. Los datos corresponden a tomates recogidos de cada una de veinte plantas, algunas de las cuales habían sido sometidas a un tratamiento (despunte, dejando una sóla flor de cada grupo) y otra no. El objetivo era examinar si el dejar menos flores por planta favorecía la producción de tomates de mayor tamaño y peso. En la línea 1 se ha empleado un read.table para leer los datos en el fichero tomates.csv (las primeras líneas aparecen en el Apéndice C. La opción header=t especifica que la primera línea de dicho fichero proporciona los nombres de las variables. > tomates <- read.table(file = "tomates.csv", header = TRUE) Podemos examinar si la lectura ha producido los resultados apetecidos, listando una pocas líneas de la dataframe resultante y viendo su estructura: > tomates[1:3, ] Planta Fecha Peso > str(tomates) data.frame : 291 obs. of 3 variables: $ Planta: int $ Fecha : Factor w/ 26 levels " ","20..",..: $ Peso : int Observamos así que las fechas han sido tomadas como literales generando una v ariable cualitativa con 26 niveles (un factor en la terminología de R). Para hacer que R las considere como fechas a todos los efectos, podemos hacer: > tomates[, "Fecha"] <- as.date(as.character(tomates[, "Fecha"]), + format = "%Y-%m-%d") tras de lo cual, las líneas 6 y 7 muestran los cambios experimentados por la dataframe: > tomates[1:3, ] Planta Fecha Peso > str(tomates)

6 Depto. de Economía Aplicada III 6 data.frame : 291 obs. of 3 variables: $ Planta: int $ Fecha :Class Date num [1:291] $ Peso : int La línea 12, > attach(tomates) permite referirnos en lo sucesivo a las clumnas de la dataframe tomates como si fueran variables en nuestro espacio de trabajo. Las líneas que siguen realizan Las líneas que siguen permiten aprender algo sobre los datos: > summary(tomates) Planta Fecha Peso Min. : 1.00 Min. : Min. : st Qu.: st Qu.: st Qu.: Median :10.00 Median : Median : Mean :10.62 Mean : Mean : rd Qu.: rd Qu.: rd Qu.: Max. :20.00 Max. : Max. : > length(unique(planta)) [1] 20 > length(unique(fecha)) [1] 26 > xtabs(peso ~ Planta) Planta > xtabs(peso ~ Fecha) Fecha La instrucción siguiente genera un boxplot.

7 Depto. de Economía Aplicada III 7 > boxplot(peso ~ as.date(fecha), main = "Evolucion del peso de los frutos", + xlab = "Fecha", ylab = "Peso en gramos") Evolucion del peso de los frutos Peso en gramos Fecha Podemos totalizar el peso total recolectado en cada fecha mediante: > Grs <- aggregate(peso, by = list(fecha), sum) > dimnames(grs)[[2]] <- c("fecha", "Total Gramos") > print(grs[1:5, ]) Fecha Total Gramos Obsérvese que by= ha de ser una lista (aunque tenga un único componente). Análogamente podemos obtener el peso medio por fruto para cada fecha (línea 37): > GrsMedio <- aggregate(peso, by = list(fecha), mean) > dimnames(grsmedio)[[2]] <- c("fecha", "Media Gramos") > print(grsmedio[1:5, ]) Fecha Media Gramos

8 Depto. de Economía Aplicada III 8 Algunas de las veinte plantas recibieron un tratamiento: > Tratadas <- c(1, 2, 5, 6, 9, 10, 13, 14, 17, 18) > Controles <- (1:20)[-Tratadas] > Status <- ifelse(planta %in% Tratadas, "Tratada", "Control") > Status <- as.factor(status) Podemos comparar los pesos de los frutos en el grupo de plantas tratadas y no tratadas mediante un contraste formal, > t.test(peso[status == "Tratada"], Peso[Status == "Control"]) Welch Two Sample t-test data: Peso[Status == "Tratada"] and Peso[Status == "Control"] t = , df = , p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y o haciendo un gráfico de cajas: > boxplot(peso ~ Status, main = "Comparacion de pesos de los frutos ", + xlab = "Clase de plantas", ylab = "Peso en gramos") Comparacion de pesos de los frutos Peso en gramos Control Tratada Clase de plantas No parece haber diferencia en los pesos entre plantas tratadas y no tratadas. Alternativamente, los gráficos condicionados permiten ver como varía una magnitud (o varias, o la relación entre varias) en función de los valores que toma una o dos variables condicionantes:

9 Depto. de Economía Aplicada III 9 > FechaFactor <- as.factor(as.date(fecha)) > coplot(peso ~ FechaFactor Status, xlab = "Fecha") Given : Status Tratada Control Peso Fecha Podríamos tener gráficamente la misma información desglosada por planta: > FactorPlanta <- as.factor(planta) > coplot(peso ~ FechaFactor FactorPlanta, xlab = "Fecha")

10 Depto. de Economía Aplicada III 10 Given : FactorPlanta Peso Fecha El gráfico anterior proporciona la evolución de los pesos en el tiempo para cada una de las plantas. Un gráfico en que la variable en abscisas es un factor se transforma automáticamente en un boxplot. Si quisiéramos ver la distribución de pesos de los frutos de cada planta, podríamos escribir: > plot(factorplanta, Peso, main = "Pesos de los frutos de cada planta", + ylab = "Gramos", xlab = "Plantas") para obtener:

11 Depto. de Economía Aplicada III 11 Pesos de los frutos de cada planta Gramos Plantas El paquete lattice ofrece otras posibilidades de representación gráfica: > library(lattice) > print(densityplot(~peso FactorPlanta, layout = c(5, 4), xlab = "Peso", + ylab = "Densidad estimada", main = "Distribucion de los pesos por planta")) Distribucion de los pesos por planta Densidad estimada Peso > print(densityplot(~peso Status, layout = c(2, 1), xlab = "Peso", + ylab = "Densidad estimada", main = "Distribucion de los pesos por tratamiento"))

12 Depto. de Economía Aplicada III 12 Distribucion de los pesos por tratamiento Control Tratada Densidad estimada Peso > print(barchart(as.character(as.date(fecha)) ~ Peso Status, + layout = c(2, 1), xlab = "Peso", ylab = "Fecha", main = "Distribucion de los pesos en Distribucion de los pesos en el tiempo por tratamiento Fecha Control Tratada Peso Obsérvese que hemos de recurrir a as.character(as.date(fecha)) para que las fechas aparezcan con su formato.

13 Depto. de Economía Aplicada III Comentarios al Ejemplo 2. Las instrucciones, > nao <- read.table(file = "naosoi.dat") > nao[1:3, ] NAO SOI Nov1899 NA NA Dec1899 NA NA Jan > attach(nao) > par(mfrow = c(2, 1)) leen los datos, muestran las tres primeras observaciones y especifican el modo en que queremos los gráficos a continuación. La serie NAO (North Atlantic Oscillation) recoge la diferencia de presión barométrica entre Islandia y lasn Azores. SOI (Southern Oscillation Index) es un índice análogo que se supone explicativo del fenómeno recurrente frente a las costas peruanas conocido como El Niño (un calentamiento superficial del agua del mar con alteraciones climáticas concomitantes) El bucle que sigue reconstruye la dataframe nao de modo que cada una de sus columnas sea un objeto de clase ts. > cols <- names(nao) > lcols <- length(nao) > for (i in 1:lcols) { + nao[[i]] <- temp <- ts(nao[[i]], start = c(1900, 1), frequency = 12) + temp <- na.omit(temp) + temp2 <- (attributes(temp)$tsp)[1] + anyo <- floor(temp2) + mes <- round( * (temp2%%1)) + ts.plot(window(temp, start = c(anyo, mes)), gpars = list(ylab = cols[i], + xlab = "A~no", main = paste(cols[i], ": datos brutos", + sep = ""))) + } Diseccionemos dicho bucle. La primera línea, > nao[[i]] <- temp <- ts(nao[[i]], start = c(1900, 1), frequency = 12) se limita a redefinir las columnas de la dataframe nao como series temporales. La estructura del objeto resultante es muy simple, y puede ponerse en evidencia tecleando > temp <- na.omit(temp) > temp2 <- (attributes(temp)$tsp)[1] Vemos que en $tsp se almacenan las abscisas temporales en forma de años fraccionarios. Hemos tomado cada una de las columnas de nao, las hemos guardado temporalmente en temp y hemos prescindido de sus observaciones faltantes. Como estas observaciones faltantes pueden estar al principio, se impone recomputar el año y mes de inicio de los datos no faltantes, Es lo que hacen las órdenes:

14 Depto. de Economía Aplicada III 14 > anyo <- floor(temp2) > mes <- round( * (temp2%%1)) que de los datos presentes en temp2 computan el año y mes de inicio. La instrucción ts.plot al final genera el gráfico a continuación. Aunque sólo hay dos columnas en la dataframe y podría perfectamente haberse escrito dos veces la misma orden, el modo de hacerlo mediante un bucle se generaliza mejor al caso en que tenemos multitud de series temporales como columnas de una misma dataframe y queremos obtener gráficos para todas. Obsérvese que se hace uso del hecho de que una dataframe es en realidad una lista, cuyas columnas pueden referenciarse de diversos modos. Por ejemplo, podemos acceder a la segunda colimna de nao de una cualquiera de las siguientes formas: > nao$soi > nao[, "SOI"] > nao[[2]] > nao[, 2]

15 Depto. de Economía Aplicada III 15 NAO: datos brutos NAO Año SOI: datos brutos SOI Año Podemos emplear la misma técnica para obtener las funciones ACF y PACF de cada una de las series mediante: > for (i in 1:lcols) { + acf(nao[[i]], na.action = na.omit, main = cols[i]) + pacf(nao[[i]], na.action = na.omit, main = cols[i]) + } (a continuación se representan sólo las de nao$soi).

16 Depto. de Economía Aplicada III 16 SOI ACF Lag SOI Partial ACF Lag

17 Depto. de Economía Aplicada III Información adicional Hay ahora una relativa abundancia de libros y fuentes de información acerca de R. Continúa estando entre los mejores el libro [14]. Dispone de complementos on line que lo mantienen actualizado: [15]. Libros introductorios son [6], [1], [17] (que se refieren a S-Plus, pero son bastante aplicables a R), y [6]. Específicamente sobre importación y exportación de datos se dispone de [13]. Sobre R para regresión y modelos lineales en general se dispone de [8] y [7]. Aunque escrito para S-Plus, es de utilidad también [2]. La referencia original describiendo S (lenguaje del cuál R es una implementación) es [3], aún utilizable pero muy desfasado. Más moderno es [5] Referencia mucho más avanzadas que convendrán a programadores son [4] y [16].

18 Depto. de Economía Aplicada III 18 Referencias [1] A.Krause and M.Olson. The Basics of S and S-Plus. Springer Verlag, Signatura: KRA. [2] Douglas M. Bates and Jose C. Pinheiro. Mixed-effects models in S and S-PLUS. Springer-Verlag, Signatura: [3] R.A. Becker, J.M. Chambers, and A.R. Wilks. The New S Language. A Programming Environment for Data Analysis and Graphics. Wadsworth & Brooks/Cole, Pacific Grove, California, [4] J.M. Chambers. Programming with Data. Mathsoft, [5] J.M. Chambers and T.J. Hastie. Statistical Models in S. Wadsworth & Brooks/Cole, Pacific Grove, Ca., [6] P. Dalgaard. Introductory statistics with R. Statistics and Computing. Springer-Verlag, Signatura: DAL. [7] J.J. Faraway. Linear Models with R. Chapman & Hall/CRC, Signatura: FAR. [8] J. Fox. An R and S-Plus companion to applied regression. Sage Pub., [9] J. Melton and A. Simon. Understanding the new SQL: a complete guide. Morgan Kaufmann, San Francisco, Ca., [10] Bruce Momjian. PostgreSQL : introduction and concepts. Addison-Wesley, Signatura: MOM. [11] Brian D. Ripley. Using databases with R. R News, 1(1):18 20, January [12] Brian D. Ripley and Kurt Hornik. Date-time classes. R News, 1(2):8 11, June [13] R Development Core Team. R Data Import/Export. CRAN. Disponible en visitada el 10-Sep [14] W.N. Venables and B.D. Ripley. Modern Applied Statistics with S-Plus. Springer-Verlag, New York, third edition, [15] W.N. Venables and B.D. Ripley. R complements to Modern Applied Statistics with S-Plus. En [16] W.N. Venables and B.D. Ripley. S Programming. Springer-Verlag, [17] M.D. Ugarte y A.Fdez. Militino. Estadística Aplicada con S-Plus. Universidad Pública de Navarra, 2001.

19 Depto. de Economía Aplicada III 19 A. Listado del Ejemplo 1 1 tomates < read. table ( f i l e= tomates. csv, header=true) 2 tomates [ 1 : 3, ] 3 s t r ( tomates ) 4 tomates [, Fecha ] < as. Date ( as. character ( tomates [, Fecha ] ), 5 format= %Y %m %d ) 6 tomates [ 1 : 3, ] 7 s t r ( tomates ) 8 # 9 # Hagamos ahora un breve análisis descriptivo de los 10 # datos en la data frame tomates 11 # 12 attach ( tomates ) 13 summary( tomates ) # Media, desv. típica, etc. 14 length ( unique ( Planta ) ) # Cuántas plantas hay? 15 length ( unique ( Fecha ) ) # Cuántas fechas de recogida? 16 xtabs ( Peso Planta ) # Cuánto ha dado cada planta? 17 xtabs ( Peso Fecha ) # Cuánto se ha recogido por fecha? boxplot ( Peso as. Date ( Fecha ), # Evolución de los pesos el el tiempo. 20 main= Evolucion d e l peso de l o s f r u t o s, 21 xlab= Fecha, ylab= Peso en gramos ) # Necesitaremos ahora etiquetas para 24 # TODAS las fechas en la muestra (no 25 # una para cada fecha distinta) Grs < aggregate ( Peso, # Peso total recolectado en cada 29 by=l i s t ( as. Date ( Fecha ) ), 30 sum) 31 # fecha. El argumento by= ha de 32 # ser una lista dimnames( Grs ) [ [ 2 ] ] < c ( Fecha, Total Gramos ) 35 print ( Grs [ 1 : 5, ] ) GrsMedio < aggregate ( Peso, 38 by=l i s t ( Fecha ), # Peso medio por fruto en cada 39 # fecha. El argumento by= ha de 40 mean) # ser una lista dimnames( GrsMedio ) [ [ 2 ] ] < c ( Fecha, Media Gramos ) 43 print ( GrsMedio [ 1 : 5, ] ) 44 # Especificamos ahora cuáles de las 45 # plantas recibieron un determinado 46 # tratamiento Tratadas < c ( 1, 2, 5, 6, 9, 1 0, 1 3, 1 4, 1 7, 1 8 ) 49 C o n t r o l e s < (1:20)[ Tratadas ] # Status es un factor dando el 52 # status de cada observación: Tratada

20 Depto. de Economía Aplicada III # si corresponde a una planta tratada, 54 # control si corresponde a un control Status < i f e l s e ( Planta %i n % Tratadas, Tratada, Control ) 57 Status < as. factor ( Status ) t. t e s t ( Peso [ Status== Tratada ], Peso [ Status== Control ] ) boxplot ( Peso Status, 62 main= Comparacion de pesos de l o s f r u t o s, 63 xlab= Clase de p l a n t a s, ylab= Peso en gramos ) FechaFactor < as. factor ( as. Date ( Fecha ) ) 67 coplot ( Peso FechaFactor Status, 68 xlab= Fecha ) 69 # Evolución del peso con el 70 # paso del tiempo para los dos grupos FactorPlanta < as. factor ( Planta ) # Creamos un factor para obtener 73 # desgloses por planta coplot ( Peso FechaFactor FactorPlanta, 76 xlab= Fecha ) 77 # Evolución del peso de los frutos 78 # con el paso del tiempo para cada 79 # planta plot ( FactorPlanta, Peso, main= Pesos de l o s f r u t o s de cada planta, 83 ylab= Gramos, 84 xlab= Plantas ) # Un plot cuyo eje X es un factor se 85 # transforma automáticamente en en 86 # boxplot. Este permite examinar la 87 # distribución de los pesos de los 88 # frutos de cada planta library ( l a t t i c e ) # Ofrece gráficos alternativos d e n s i t y p l o t ( Peso FactorPlanta, 93 layout=c ( 5, 4 ), xlab= Peso, ylab= Densidad estimada, 94 main= D i s t r i b u c i o n de l o s pesos por planta ) d e n s i t y p l o t ( Peso Status, 97 layout=c ( 2, 1 ), xlab= Peso, ylab= Densidad estimada, 98 main= D i s t r i b u c i o n de l o s pesos por tratamiento ) barchart ( as. character ( as. Date ( Fecha ) ) Peso Status, 101 layout=c ( 2, 1 ), xlab= Peso, ylab= Fecha, 102 main= D i s t r i b u c i o n de l o s pesos en e l tiempo por tratamiento ) # q()

21 Depto. de Economía Aplicada III 21 B. Listado del Ejemplo 2 1 nao < read. table ( f i l e= n a o s o i. dat ) 2 nao [ 1 : 3, ] 3 4 attach ( nao ) 5 # 6 # Redefinición como series temporales, y representación gráfica 7 # 8 par ( mfrow=c ( 2, 1 ) ) 9 c o l s < names( nao ) 10 l c o l s < length ( nao ) 11 for ( i i n 1 : l c o l s ) { 12 nao [ [ i ] ] < temp < ts ( nao [ [ i ] ], start=c ( , 1 ), frequency=12) 13 temp < na. omit ( temp ) 14 temp2 < ( attributes ( temp )$tsp ) [ 1 ] 15 anyo < floor ( temp2 ) ; mes < round(1+12 ( temp2 % %1 ) ) 16 ts. plot (window( temp, start=c ( anyo, mes ) ), 17 gpars=l i s t ( ylab=c o l s [ i ], xlab= Año, 18 main=paste ( c o l s [ i ], : datos brutos, sep= ) ) ) 19 } 20 # 21 # Veamos la forma de sus funciones ACF y PACF 22 # 23 for ( i i n 1 : l c o l s ) { 24 a c f ( nao [ [ i ] ], na. action=na. omit, main=c o l s [ i ] ) 25 pacf ( nao [ [ i ] ], na. action=na. omit, main=c o l s [ i ] ) 26 } 27 par ( mfrow=c ( 1, 1 ) ) 28 c c f ( nao$nao, nao$soi, na. action=na. omit, main= CCF de NAO y SOI ) # 31 # Claramente, necesitaremos alguna diferenciación estacional y/o 32 # parámetro autoregresivo estacional. En primer lugar, ajustaremos 33 # un modelo largo, para darnos una idea de que fracción del pasado 34 # es relevante en la modelización. Emplearemos modelos AR de orden 35 # creciente dibujando la gráfica del AIC para cada serie. 36 # 37 par ( mfrow=c ( 2, 1 ) ) 38 for ( i i n 1 : length ( c o l s ) ) { 39 f i t. ar < ar ( nao [ [ i ] ], method= o l s, order.max=96,na. action=na. omit ) 40 # 41 # Veamos ahora la pinta que tienen los valores AIC 42 # 43 plot ( f i t. ar$ aic, type= l, xlab= Orden p, ylab= Valor AIC, 44 main=paste ( C r i t e r i o AIC para modelos AR( p ) \n S e r i e :, 45 c o l s [ i ], sep= ) ) 46 } 47 # 48 # SOI parece tener una memoria bastante más larga # Podríamos a la luz de la ACF y PACF de NAO sospechar algunos 50 # modelos ARIMA buenos candidatos a ajustar bien. O podemos 51 # recurrir a una solución de fuerza bruta que consiste en ajustar 52 # todos los modelos a priori razonables y seleccionar uno o varios

22 Depto. de Economía Aplicada III # de entre ellos con ayuda del criterio AIC. 54 # 55 # Nótese el uso de try() para encapsular errores que podrían abortar 56 # de otro modo una iteración muy costosa. 57 # 58 i < 0 59 NAO. modelos < vector ( l i s t, 450) 60 for ( s a r i n 0 : 4 ) { 61 for ( sma i n 0 : 4 ) { 62 for ( d i n 0 : 1 ) { 63 for ( ar i n 0 : 4 ) { 64 for (ma i n 0 : 4 ) { 65 i f ( ( ar+ma)==0) next ; 66 i f ( ( s a r+sma+d)==0) next ; 67 i < i NAO. modelos [ [ i ] ] < f i t < try ( arima0 (NAO, order=c ( ar, 0,ma), 69 s e a s o n a l=l i s t ( order=c ( sar, d, sma ) ) ) ) 70 i f ( class ( f i t )== try e r r o r ) next ; 71 } 72 } 73 } 74 } 75 } 76 save. image ( ) 77 q ( )

23 Depto. de Economía Aplicada III 23 C. Datos en tomates.csv (primeras líneas) "Planta" "Fecha" "Peso" D. Datos en naosoi.dat (primeras líneas) "NAO" "SOI" "Jan1900" "Feb1900" "Mar1900" "Apr1900" "May1900" datos omitidos... "Jun2000" "Jul2000" "Aug2000" "Sep2000" "Oct2000" "Nov2000" "Dec2000"